Du står foran en av de viktigste strategiske beslutningene de neste årene: Hvilke KI-komponenter skal dere utvikle selv, og hvilke bør dere kjøpe?
Svaret avgjør om millioner av euro, flere års utviklingstid og til syvende og sist konkurransefortrinn. Likevel tar de fleste selskaper dette valget på magefølelse – en dyr feiltakelse.
Erfaringen viser: Bedrifter som systematisk vurderer egenutvikling opp mot innkjøp, realiserer ofte KI-prosjektene raskere og til lavere total kostnad.
Beslutningen er kompleks, fordi KI ikke er én teknologi. En kundesupport-chatbot har helt andre krav enn et maskinlæringssystem for produksjonsoptimalisering.
Denne artikkelen gir deg et solid beslutningsgrunnlag – strukturert, praktisk og uten markedsføringsfloskler.
Hva betyr Make or Buy når det gjelder KI-komponenter?
Make or Buy handler i KI-sammenheng om langt mer enn det klassiske spørsmålet «skal vi lage selv eller kjøpe inn?».
I KI-systemer tar du stilling på flere arkitekturnivåer: Foundation-modellen, applikasjonslogikken, datainfrastrukturen og brukergrensesnittet.
De fire beslutningsnivåene
Foundation-modeller: Her er valget som regel enkelt – man kjøper inn. Enten det er GPT-4, Claude eller Gemini: Å trene egne store språkmodeller koster millioner, og er sjelden fornuftig for de fleste virksomheter.
Applikasjonslogikk: Hjertet i din KI-løsning. Her avgjøres det om systemet ditt bare støtter standard arbeidsflyter eller om det gir reell differensiering.
Datainfrastruktur: Vektor-databaser, ETL-pipelines, monitoreringssystemer. Ofte undervurdert, men helt avgjørende for skalerbarhet og ytelse.
Brukergrensesnitt: Chatgrensesnitt fins i bøtter og spann. Særskilte innmeldingsbilder for din arbeidsflyt er derimot sjeldne.
Hybride tilnærminger som standard
I praksis er rene Make- eller Buy-beslutninger sjelden optimale. Suksessfulle selskaper kombinerer smart.
De bruker eksterne API-er for basis KI-funksjoner, men utvikler selve applikasjonslogikken internt. Resultatet: Rask time-to-market og samtidig full kontroll på differensiering.
Men vær obs på overmot-effekten: Mange team overvurderer egne evner og undervurderer kompleksitet. En ChatGPT-wrapper er ikke det samme som en KI-strategi.
Tekniske beslutningsfaktorer i detalj
Eksisterende IT-infrastruktur
Din nåværende infrastruktur er den største kostnadsdriver – eller besparelse – i KI-prosjekter.
On-premise-systemer krever ofte tung integrasjon. Skybaserte virksomheter kan derimot skalere raskt. Men: Legacy-systemer utelukker ikke nødvendigvis egenutvikling.
Avgjørende faktor er API-egenskapene til dine kjernesystemer. Moderne API-er gir elegant integrasjon – foreldede grensesnitt tvinger frem dyre omveier.
Vurder interne ferdigheter ærlig
Har du de rette folkene? Dette spørsmålet avgjør om du lykkes eller mislykkes.
KI-utvikling krever mer enn Python-ferdigheter. Du trenger data scientists, ML-ingeniører, DevOps-spesialister og domenekunnskap – en sjelden kombinasjon.
| Kompetanse | Make-egnethet | Buy-alternativ |
|---|---|---|
| ML/AI-engineering | Høy (hvis til stede) | Ekstern utvikling |
| Domenekunnskap | Svært høy | Vanskelig å erstatte |
| Databehandling | Middels | Skytjenester |
| DevOps/MLOps | Lav | Administrerte tjenester |
Realitetssjekk: Kan du finansiere et komplett KI-team i minst to år? Hvis ikke, taler mye for eksterne partnere eller ferdige løsninger.
Sikkerhet og samsvar
Datasikkerhet er ikke til forhandling – men det trenger heller ikke å kvele innovasjon.
GDPR og bransjespesifikke reguleringer gir klare rammer. Skybaserte løsninger oppfyller ofte høyere sikkerhetsstandarder enn interne systemer – forutsatt riktig konfigurasjon.
Kritisk er dataklassifisering: Hvilke data kan sendes til eksterne systemer? Hva må forbli internt? Dette valget styrer arkitekturen din.
Skalerbarhet og ytelse
KI-workloads er uforutsigbare. En viral chatbot kan sprenge infrastrukturen din på få timer.
Skytjenester gir elastisk skalering – til en tilsvarende pris. Egne systemer gir kontroll, men krever nøye kapasitetsplanlegging.
Hovedregel: Ved uforutsette toppbelastninger er cloud-API-er overlegne. Ved varig høyt volum lønner ofte egne systemer seg.
Økonomiske vurderingskriterier
Beregn Total Cost of Ownership riktig
De reelle kostnadene skjuler seg ofte i detaljer som din CFO først oppdager senere.
Utviklingskostnader er bare begynnelsen. Vedlikehold, oppdateringer, samsvar, overvåking og support driver TCO i været. Med skytjenester betaler du løpende, med egenutvikling kan skjulte kostnader eksplodere.
Et realistisk eksempel: En intern chatbot koster 150 000 euro å utvikle, men 80 000 euro i årlig drift og videreutvikling. Etter tre år er totalen 390 000 euro – uten garanti for løpende oppdateringer eller nye funksjoner.
Gjør Return on Investment målbar
KI-ROI kan måles, forutsatt at du definerer de rette måltallene.
Unngå myke nøkkeltall som «bedre brukeropplevelse». Fokuser på harde fakta: sparte arbeidstimer, reduserte behandlingstider, økt konverteringsrate.
Eksempel fra industrien: Automatisert tilbudsgenerering reduserer tidsforbruket fra 8 til 2 timer per tilbud. Med 200 tilbud årlig gir det 1 200 sparte timer – med en intern timekost på 80 euro gir det 96 000 euro spart per år.
Risiko-fordeling mellom Make og Buy
Begge modeller har forskjellige risikoer – kjenner du din risikotoleranse?
Make-risikoer: Teknologi blir utdatert, nøkkelpersoner slutter, budsjetter sprekker, sikkerhetshull. Til gjengjeld: Full kontroll og uavhengighet.
Buy-risikoer: Leverandørbinding, prisøkning, nedetid, brudd på datasikkerhet. Til gjengjeld: Forutsigbare kostnader og profesjonell support.
Smarte selskaper sprer risikoen. Kritiske kjernefunksjoner utvikles selv, standardprosesser outsources.
Finansieringsmodeller og budsjettering
KI-prosjekter feiler ofte på grunn av stiv budsjettplanlegging.
Egenutvikling krever høy startinvestering. Skytjenester fungerer som et abonnement. Hybride modeller kombinerer begge tilnærminger.
For mellomstore selskaper anbefales ofte «Start small, scale smart»: Begynn med skytjenester, høst erfaring og avgjør senere om dere skal utvikle internt.
Bransjespesifikke særtrekk
Maskinindustri og Industri 4.0
I industrien avgjør ofte domene-spesifikke krav hvorvidt Make eller Buy er riktig.
Produksjonsoptimalisering krever dypt prosessinnsyn. Standard KI-verktøy forstår ikke hvorfor CNC-maskinen din reagerer forskjellig på visse materialer. Her lønner det seg å utvikle selv.
Dokumentautomatisering derimot kan standardiseres. Tilbud, kravspesifikasjoner og vedlikeholdsrapporter følger samme mønster – uavhengig av produsent.
SaaS og digitale tjenesteleverandører
SaaS-selskaper har ofte beste utgangspunkt for KI-egetutvikling: Skybasert infrastruktur, smidige team og datadrevet kultur.
Likevel gjelder: Kjernen din er produktet, ikke KI-forskning. Utnytt tilgjengelige API-er for standardfunksjoner, utvikle kun det som gir faktisk differensiering.
Et tips fra praksis: A/B-testing med ulike KI-tjenester gjør det enklere å velge. Hva fungerer best – GPT-4 eller Claude for din brukssituasjon?
Tradisjonelle tjenesteselskaper
Konsulenter, advokatkontorer og byråer møter særlige utfordringer: Gammel teknologi, regulatoriske krav og forsiktige ledelsesnivåer.
Her er en trinnvis tilnærming ofte optimal. Begynn med sikre, avgrensede bruksområder. En intern chatbot for selskapsinformasjon gir mindre risiko enn automatisert kundedialog.
Prøvde beslutningsscenarier fra praksis
Scenario 1: Automatisering av kundesupport
Thomas i maskinindustrien vil automatisere reservedelsupporten. 80 prosent av henvendelsene handler om standardspørsmål om leveringstid og kompatibilitet.
Make-variant: Intern utvikling med RAG-system og egen reservedelsdatabase. Kostnad: 200 000 euro, 8 måneders utvikling.
Buy-variant: Chatbot-as-a-Service med API-integrasjon. Kostnad: 1 500 euro per måned, 4 ukers oppsett.
Anbefaling: Kjøp i starten, bygg selv etterhvert for avanserte funksjoner. Chatboten samler først innsikt om de vanligste spørsmålene – dette danner grunnlag for videre egenutvikling.
Scenario 2: Automatisering av dokumenter
Anna fra SaaS ønsker å personalisere onboarding-materiale automatisk for hver ny kunde.
Make-variant: Malmotor med LLM-integrasjon og kundedatapipeline. Innsats: 120 000 euro, 5 måneder.
Buy-variant: Dokumentgenerering-API med egendefinerte maler. Kostnad: 800 euro pr. 1000 dokumenter i måneden.
Anbefaling: Hybridtilnærming. Standardmaler løses via eksterne API-er, spesifikke tilpasninger utvikles internt.
Scenario 3: Prediktivt vedlikehold
Markus vil forutsi feil i IT-infrastrukturen. Utfordringen: 15 ulike eldre systemer med forskjellige dataformater.
Make-variant: Eget ML-system med tilpasset integrasjon til alle gamle systemer. Innsats: 350 000 euro, 12 måneder.
Buy-variant: Enterprise-monitoreringssystem med KI-funksjoner. Kostnad: 3 000 euro per måned, 6 ukers integrering.
Anbefaling: Stegvis tilnærming. Standard monitorering implementeres umiddelbart, tilpasset ML utvikles senere for kritiske systemer.
Rammeverk for riktig valg
Brixon-beslutningstreet
Systematiske valg krever strukturerte rammeverk. Denne sjekklisten hjelper deg vurdere objektivt:
- Strategisk relevans: Er denne KI-funksjonen forretningskritisk eller en standardvare?
- Potensial for differensiering: Gir egenutvikling reelt konkurransefortrinn?
- Interne ferdigheter: Har dere kompetansen eller kan den skaffes raskt?
- Tidspress: Hvor fort må dere levere?
- Budsjettfleksibilitet: Har dere råd til store forhåndsinvesteringer?
- Dataeierskap: Må sensitive data forbli interne?
- Krav til skalering: Er belastningstopper forutsigbare?
Bruk vurderingsmatrisen
Vurder hvert punkt fra 1 til 5. Over 25 poeng taler for egenutvikling, under 15 for innkjøp, mellom anbefales hybride tilnærminger.
Men pass på matematisk presisjonsfelle: Rammeverket gir veiledning, ikke en fasit. Magefølelse og erfaring teller fortsatt.
Timing av beslutningen
Mange selskaper bestemmer seg for tidlig eller for sent. Det optimale tidspunktet er etter Proof-of-Concept-fasen.
Først når du forstår potensialet i løsningen, kan du ta et informert valg mellom Make og Buy. Teoretiske vurderinger gir lett feil svar.
Konklusjon og anbefalinger
Make-or-buy-beslutninger i KI er mer komplekse enn ved tradisjonell programvare – men også mulig å løse systematisk.
Vellykkede selskaper jobber trinnvis: De starter med skytjenester, henter erfaring, og utvikler deretter strategisk viktige komponenter selv.
Denne tilnærmingen minimerer risiko og maksimerer læring. Du unngår både leverandørfella og hybris ved å bygge alt selv.
Ditt neste steg: Identifiser en konkret brukssituasjon og gå gjennom beslutningsrammeverket. Få råd fra eksperter – men ta selve beslutningen selv.
KI er for viktig for virksomheten din til å overlates til tilfeldigheter.
Ofte stilte spørsmål
Når bør mellomstore selskaper utvikle KI-komponenter selv?
Egenutvikling lønner seg når tre faktorer sammenfaller: KI-funksjonen er forretningskritisk, dere har kompetansen internt og løsningen gir et reelt konkurransefortrinn. For standardapplikasjoner som chatbots eller dokumentbehandling er skytjenester som regel mer effektivt.
Hvor store er de skjulte kostnadene ved KI-egneutvikling?
Budsjetter med 60–80 prosent av de opprinnelige utviklingskostnadene årlig til drift, oppdatering og vedlikehold. Et system bygget for 150 000 euro vil vanligvis trenge 90 000–120 000 euro årlig – uten vesentlige feature-oppdateringer.
Hvilke KI-ferdigheter trenger et selskap for å utvikle selv?
Et komplett KI-team trenger data scientists, ML-ingeniører, DevOps-spesialister og domeneeksperter. Minst fire fulltidsansatte over to år – tilsvarer 800 000–1 200 000 euro i lønn. Mindre team kan utvikle enkelte komponenter, men ikke komplette KI-systemer.
Er skybaserte KI-tjenester i samsvar med GDPR?
Ja, så lenge de er riktig konfigurert. Ha kontroll på EU-hosting, databehandlingsavtaler og eksplisitt GDPR-compliance hos leverandøren. Mange skytjenester holder høyere sikkerhetsstandard enn interne systemer – helt avgjørende er god implementering.
Hvordan vurderer jeg ROI på KI-prosjekter objektivt?
Fokuser på målbare indikatorer: sparte arbeidstimer, kortere saksbehandling, økt konverteringsrate. Styr unna myke faktorer som «bedre brukeropplevelse». Et realistisk ROI-intervall for KI-prosjekter er 18–36 måneder.
Hva er den beste starten på KI for tradisjonelle selskaper?
Start med en tydelig avgrenset, lavrisiko brukssituasjon, som en intern chatbot eller automatisert dokumentproduksjon. Bruk skytjenester for proof-of-concept og skaff erfaring før du investerer stort.
